Housing Price Estimation with Deep Learning: A Case Study of Sakarya Turkey

Abstract

Shelter is one of the most basic human needs. Besides housing needs, the housing market is also very important for investment. It is also a market where many people, such as engineers, architects, real estate agents make economic gain. When a house is bought for living in it, it is not desired to be changed for many years, and when it is bought for investment, it is a tool that requires good income. Therefore, the best decision should be made when buying a house, and it should be scrutinized. Correct estimation of house prices is very important for both buyers to make the right decision and for sellers to sell without a loss. There are many parameters for estimating house prices. In addition to variables such as the number of floors, location, and several bathrooms used in previous studies, economic factors (such as the price of bread, foreign currency price, new car price) and the housing loan interest rate of the banks were taken as inputs in this study. Sakarya province, where all parameters can be tested to make a more accurate determination, was chosen as the research area. A comparison of polynomial regression, random forest, and deep learning methods was made and it was concluded that the most accurate method was deep learning. At the same time, it was determined which parameters are more effective in house price estimation.

Keywords

• Housing Price Prediction in Sakarya
• Deep Learning
• Random Forest
• Polynomial Regression

Derin Öğrenme ile Konut Fiyat Tahminlemesi: Türkiye’deki Sakarya İli Üzerinde Bir Çalışma

Abstract

Barınma insanların en temel ihtiyaçlarından biridir. Konut piyasası barınma ihtiyacını karşılamasının yanı sıra yatırım için de çok önemlidir. Aynı zamanda mühendis, mimar, emlakçı vb. çok sayıda insana da ekmek kapısı olmuştur. Konut, oturumluk için alındığında uzun yıllar değiştirilmek istenmeyen, yatırımlık için alındığında ise iyi kazanç elde edilmek istenen bir araçtır. Bu yüzden konut satın alınacağı zaman talebe göre doğru araştırma yapılmalı nihayetinde en doğru karar verilmelidir. Konut fiyatlarının doğru tahmin edilmesi hem alıcılar için doğru kararı verebilmek, hem de satıcılar için zarar etmeden satış yapabilmek için çok önemlidir. Konut fiyat tahmini için çok sayıda parametre vardır. Bunlardan daha önceki çalışmalarda da kullanılan kat sayısı, konum, banyo sayısı vb. değişkenlerin yanı sıra bu çalışmaya özgün olarak döneme ait ekonomik etkenler (ekmek fiyatı, döviz fiyatı, sıfır araç fiyatı gibi) ve o dönemde bankaların konut kredisi faiz oranı girdi olarak alınacaktır. Daha doğru tespit yapabilmek adına tüm parametrelerin test edilebileceği Sakarya ili araştırma alanı olarak seçilmiş ve yöntem olarak polinomal regresyon, rastgele orman ve derin öğrenme yöntemleri kullanılarak bu yöntemlerin kıyaslaması yapılarak en doğru yöntemin derin öğrenme olduğu sonucuna varılmış ve parametrelerin ev fiyatlarına etkileri tespit edilmiştir.

Keywords

• Sakarya Konut Fiyat Tahmini
• Yapay Sinir Ağları
• Rastgele Orman
• Polinomal Regresyon

References

1. Yılmazel, Ö., Afşar, A., & Yılmazel, S. (2018). Konut fiyat tahmininde yapay sinir ağları yönteminin kullanılması. Uluslararası İktisadi ve İdari İncelemeler Dergisi, 20, 285-300.
2. Lacovıello, M. (2000). House prices and the macroeconomy in Europe: results from a structural VAR analysis”, ECB Working paper.
3. Para ve Borsa. (2018). Konut Kredisi Faiz Oranları,https://www.paraborsa.net/i/ocak-2018-konut-kredisi-faiz-oranlari/, (17.02.2021).
4. Mynet (2021). Bankaların kredi faiz oranları, Ziraat, Vakıfbank, Akbank, TEB, İş ve Halkbank ihtiyaç, taşıt ve konut kredisi faiz oranları, https://finans.mynet.com/haber/detay/ekonomi/bankalarin-kredi-faiz-oranlari-27-ocak-2021-ziraat-vakifbank-akbank-teb-is-ve-halkbank-ihtiyac-tasit-ve-konut-kredisi-faiz-oranlari/413494/, (17.02.2021).
5. Emlak Kulisi, (2021). Konut kredisi faiz oranlarında üç bankada yükseliş.https://emlakkulisi.com/konut-kredisi-faiz-oranlarinda-uc-bankada-yukselis/450201, (17.02.2021).
6. Takvim, (2020). Ziraat Bankası konut, ihtiyaç ve taşıt kredisi faiz oranları. https://www.takvim.com.tr/ekonomi/2020/01/30/049-ve-079-ziraat-bankasi-kredi-faiz-oranlari-firsati-31-ocak-2020-konut-ihtiyac-ve-tasit-kredisi-faiz-oranlari, (17.02.2021).
7. Bigpara, (2021). Altın. https://bigpara.hurriyet.com.tr/altin/, (17.02.2021).
8. Demir Fiyatları, (2021). Demir Fiyatlari,https://www.demirfiyatlari.com/, (17.02.2021).

9. iKMagazin, (2021). Yıllara Göre Asgari Ücretler Tablosu, https://ikmagazin.com/insan-kaynaklari/yillara-gore-asgari-ucretler-tablosu/, (17.02.2021).
10. NTV, 2020'nin en çok satan araba modelleri (Hangi otomobil markası kaç adet sattı?), https://www.ntv.com.tr/galeri/otomobil/2020nin-en-cok-satan-araba-modelleri-hangi-otomobil-markasi-kac-adet-satti,72hIZ6U6fEaQLr4okdn6KA/FGCOLEZgVU61F4aaL4LV9g, (06.02.2021).
11. Yeni Model Arabalar, Fiat Ocak Kampanyası, Fiyat Listesi - Ocak 2020-01-06, https://www.yenimodelarabalar.com/fiat-ocak-kampanyasi-fiyat-listesi-ocak-2020-01-06-39045.html, (17.02.2021).
12. Otopark, Fiat Şubat 2016 Fiyat Listesi, https://otopark.com/2016/02/08/fiat-subat-2016-fiyat-listesi/, (17.02.2021).
13. Yeni Model Arabalar, 2021 Fiat Egea Fiyat Listesi – Özellikleri - Ocak 2021-01-04, https://www.yenimodelarabalar.com/2021-fiat-egea-fiyat-listesi-ozellikleri-ocak-2021-01-04-41595.html, (17.02.2021).
14. Otomobilblog.com, (2018). 2018 Ocak Ayı Fiat Otomobil Fiyat Listesi, https://www.otomobilblog.com/makale/2018-ocak-ayi-fiat-otomobil-fiyat-listesi_852, (17.02.2021).
15. Çavuşlu, M. A. (2021). Plaka Bölgesi Tespiti Problemi için Yapay Arı Koloni Algoritması ile YSA Eğitiminin APKD’de Gerçeklenmesi. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 8(1), 446-457.
16. Borst, R.A. (1991). Artificial neural networks: the next modelling/calibration technology for the assessment community. Property Tax Journal, 10.1, 69-94.
17. Do, A.Q. & Grudnıtskı, G. (1992). A neural network approach to residential property appraisal. The Real Estate Appraiser, 58.3, 38-45.
18. Aydoğdu, N. (2021). Bulanık regresyon analizi ile Aydın ili konut fiyatlarını etkileyen değişkenlerin belirlenmesi, Master's thesis, Aydın Adnan Menderes Üniversitesi Fen Bilimleri Enstitüsü.
19. Yildirim, H. H. (2021). Balikesir İlinde Konut Fiyatlarindaki Farklılıkları Oluşturan Unsurların Tespiti. Uluslararası Finansal Ekonomi ve Bankacılık Uygulamaları Dergisi, 2(1), 38-62.
20. Yeşil, P., & Güzel, M. (2021). Giresun kent merkezi’nde konut fiyatlarına etkieden yapısal ve çevresel etkenlerin belirlenmesi. Akademik Ziraat Dergisi, 10(2), 305-316.
21. Coakley, J.R. & Brown, C.E. (2000). Artificial neural networks in accounting and finance: Modeling issues. Intelligent Systems in Accounting, Finance & Management, 9(2), 119-144.
22. Ecer, F. (2014). Türkiye’deki konut fiyatlarının tahmininde hedonic regresyon yöntemi ile yapay sinir ağlarının karşılaştırılması. In International Conference On Eurasian Economies, 1-3 July 2014 , Skopje, 1-10.
23. Limsombunchai, V. (2004). House price prediction: hedonic price model vs. artificial neural network.New Zealand agricultural and resource economics society conference, 25-26 June 2004, Blenheim, 25-26.
24. Özkan, G. Yalpır, Ş. & Uygunol, O. (2007). An investigation on the price estimation of residable real-estates by using artificial neural network and regression methods. 12th Applied Stochastic Models and Data Analysis International conference (ASMDA), 29May-1 Junr2007 ,Chania, Crete, Greece,1-8.
25. Zurada, J. M. Levitan, A.S. & Guan, J. (2006). Non-conventional approaches to property value assessment. Journal of Applied Business Research (JABR), 22(3).
26. Sarıp, A. G. & Hafez, M.B. (2015). Fuzzy logic application for house price prediction. International Journal of Property Sciences (E-ISSN: 2229-8568), 5.1.
27. Afonso, B. K. Luckeciano, C. M. Willian, D. Samuel, S. & Berton, B. (2019). Housing Prices Prediction with a Deep Learning and Random Forest Ensemble. Anais do XVI Encontro Nacional de Inteligência Artificial e Computacional. SBC, 389-400.
28. Wang, C. & Wu H. (2018). A new machine learning approach to house price estimation. New Trends in Mathematical Sciences, 6(4), 165-171.
29. Tabales, J.M.N., Caridad, J.M., & Carmona, F. J. R. (2013). Artificial neural networks for predicting real estate price, Revista de Métodos Cuantitativos para la Economía y la Empresa, 15, 29-44.
30. Tabar, M.E., Başara, A. C., & Şişman, Y. (2021). Çoklu Regresyon ve Yapay Sinir Ağları ile Tokat İlinde Konut Değerleme Çalışması. Türkiye Arazi Yönetimi Dergisi, 3(1), 1-7.
31. Erkurt, E. & Yıldırım, E. (2021). Bir büyük very görselleştirme uygulaması olarak konut tercih info grafikleri. Afyon Kocatepe Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 23(1), 36-52.
32. Şeker A., Diri, B. & Balık, H.H. (2017). Derin öğrenme yöntemleri ve uygulamaları hakkında bir inceleme. Gazi Mühendislik Bilimleri Dergisi (GMBD), 3.3, 47-64.
33. Öztürk, K. & Şahin, M.E. (2018). Yapay sinir ağları ve yapay zekâ’ya genel bir bakış. Takvim-I Vekayi, 6(2), 25-36.
34. Altun, H., Eminoğlu, U., & Tezekici, B.S. (2014). MLP Yapay Sinir Ağlarında Öğrenme Sürecinin Aktivasyon Fonksiyonu ve İstatiksel Değişim Gösteren Giriş Verilerine Bağımlılığı. Mühendislik-Mimarlık Fakültesi Elektrik-Elektronik Mühendisliği Bölümü, Niğde Üniversitesi, https://www.emo.org.tr/ekler/490c742cd8318b8_ek.pdf, (20.09.2021).
35. Veri Bilimcisi, Polinomsal Regresyon. https://veribilimcisi.com/2017/07/18/polinomsal-regresyon-polynomial-regression/. (06.02.2021).
36. Akar, Ö., & Güngör, O. (2012). Rastgele orman algoritması kullanılarak çok bantlı görüntülerin sınıflandırılması. TMMOB Harita ve Kadastro Mühendisleri Odası Jeodezi ve Jeoinformasyon Dergisi, 1(2), 139-146.
37. Yılmaz, H. (2014). Random Forests yönteminde kayıp very probleminin incelenmesi ve sağlık alanında bir Uygulama. Master's Thesis, Osmangazi Üniversitesi, Sağlık Bilimleri Enstitüsü, Eskişehir.
38. Veri Bilimcisi, Polinomsal Regresyon. https://veribilimcisi.com/2017/07/13/siradan-en-kucuk-kareler-yontemi/.(13.06.2021).
39. Biistatistik, P Değeri. https://biistatistik.com/p-degeri-caninizi-sikmasin/.(02.02.2021).
40. TR Education, r squared formula.https://tr.education-kit.net/7582646-r-squared-formula. (14.06.2021).
41. Veri Bilimcisi, RMSE-MAE-MAPE Metrikleri, https://veribilimcisi.com/2017/07/14/mse-rmse-mae-mape-metrikleri-nedir/. (14.06.2021).
42. Medium, Model Performans Metrikleri. https://medium.com/deep-learning-turkiye/model-performans%C4%B1n%C4%B1-de%C4%9Ferlendirmek-metrikler-cb6568705b1. (14.06.2021).
43. Statsmodel library, Statsmodel Library. https://www.statsmodels.org/stable/index.html. (13.06.2021).
44. Savuran, O. İ. (2008). Gayrimenkul fiyat endeksleri ve İstanbul Etiler bölgesinde konutlar için hedonic fiyat endeksi uygulaması. Master’s Thesis, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü , İstanbul.